申请/专利权人:国网山东省电力公司营销服务中心(计量中心)
申请日:2023-11-21
公开(公告)日:2024-03-22
公开(公告)号:CN117272119B
主分类号:G06F18/24
分类号:G06F18/24;G06N3/08;G06F18/23;G06Q50/06
优先权:
专利状态码:有效-授权
法律状态:2024.03.22#授权;2024.01.09#实质审查的生效;2023.12.22#公开
摘要:本发明属于电力技术领域,提供了一种用户画像分类模型训练方法、用户画像分类方法及系统,通过深度学习压缩感知,对用获取的电数据进行重构;具体的,利用深度学习压缩感知重建阶段的稀疏基进行迭代,得到神经网络模型的输入数据;将完整的用电数据作为标签数据,将神经网络模型的输入数据和标签数据利用神经网络模型进行训练,得到重构数据,实现了用电数据的清洗、剔除和修复;采用深度压缩感知技术突破奈奎施特采样定律,很大程度上缓解了数据的获取和传输压力,且保证了用电数据的合理可靠;同时,去掉重构数据中冗余的属性特征和样本,得到简化后的数据集;利用简化后的数据集对神经网络进行训练,得到用户画像分类模型。
主权项:1.用户画像分类模型训练方法,其特征在于,包括:获取电力用户的用电数据;通过深度学习压缩感知,对用电数据进行重构;具体的,利用深度学习压缩感知重建阶段的稀疏基进行迭代,得到神经网络模型的输入数据;将完整的用电数据作为标签数据,将神经网络模型的输入数据和标签数据利用神经网络模型进行训练,得到重构数据;去掉重构数据中冗余的属性特征和样本,得到简化后的数据集;利用简化后的数据集对神经网络进行训练,得到用户画像分类模型;其中,所述去掉重构数据中冗余的属性特征和样本,得到简化后的数据集的方法为:通过水平约简去掉重构数据中的冗余属性特征,通过对象约简去掉重构数据中的冗余样本;其中,所述方法利用粗糙集理论中的知识简化方法,去掉冗余的属性特征和样本,通过约简提取典型用户特征,根据提取的典型用户特征,通过kohonen聚类神经网络将用电数据分成不同簇别,实现用户画像分类;所述kohonen聚类神经网络实现用户画像分类算法步骤为:S1.1、网络初始化:初始化,为一个小的随机数,围绕节点j建立半径为的初始邻域;S1.2、提供一个新的向量作为网络的输入样本输入新向量。其中,为t时刻样本的第i维分量。依据以下公式计算输入样本与所有输出层神经元之间的欧几里德距离: S1.3、选取最优匹配的输出神经元:到达输入模式的距离最小的神经元就是最优匹配的输出神经元设为c。用表示连接获胜神经元的权系数向量: S1.4、调整权系数:调整节点c和由其邻域定义的节点的权系数,新的权系数为: 其中,为增益项并随时间变化逐渐下降到0,1一般取: S1.5、转移到步骤S1.2,直到样本输入结束或增益项的值减小至0,即兴奋神经元与输入样本稳定对应为止。
全文数据:
权利要求:
百度查询: 国网山东省电力公司营销服务中心(计量中心) 用户画像分类模型训练方法、用户画像分类方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。